无线囊内镜使用三维深卷积神经网络模型进行多类分类
Mehrdokht Bordbar1, Mohammad Sadegh Helfroush2, Habibollah Danyali1
1Department of Electrical Engineering, Shiraz University of Technology, Shiraz, Iran.
Biomedical engineering online
|December 15, 2023
概括
一个新的3D-CNN模型通过使用时空数据来增强无线囊内镜 (WCE) 分析. 这种深度学习方法与传统的2D方法相比,提高了病变检测的准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 无线囊内镜 (WCE) 提供非侵入性胃肠道可视化.
- 手动审查WCE框架是耗时的,容易出现错误.
- 现有的计算机辅助诊断 (CAD) 系统往往忽略了WCE视频中的时间信息.
研究的目的:
- 为WCE诊断开发一个自动的多类分类系统.
- 为了利用时空信息来改进WCE异常检测.
- 为了提高WCE分析的效率和准确性.
主要方法:
- 提出了一个三维深卷积神经网络 (3D-CNN).
- 3D-CNN模型处理了连续的WCE来捕获时空数据.
- 使用29个WCE视频 (14,691) 对比2D-CNN和预训练网络进行了性能评估.
主要成果:
- 3D-CNN模型在所有指标上实现了卓越的性能.
- 灵敏度:98.92% (3D-CNN) 与98.05% (2D-CNN) 相比.
- 特异性:99.50% (3D-CNN) 与86.94% (2D-CNN) 相比.
- 精度:99.20% (3D-CNN) 与92.60% (2D-CNN) 相比.
结论:
- 拟议的3D-CNN模型显著优于2D-CNN和预先训练的网络.
- 该模型有效地利用时间和空间信息来准确检测WCE病变.
- 这种方法为改善WCE诊断提供了一个有效的工具.
